AssemblyAI: Universal-3.5 Pro

Universal-3.5 Pro ist AssemblyAIs Spracherkennungsmodell für die Umwandlung aufgezeichneter Sprache in Text. Im Sync-Profil liefert ein kurzer Audioclip in einer einzigen Antwort ein vollständiges Transkript. Dies eignet sich für Sprachnachrichten, Push-to-Talk-Eingaben und einzelne Dialogbeiträge, bei denen die Anwendung bereits weiss, wann die Aufnahme enden soll.

Bereiten Sie die Audiodaten als zeitlich begrenzten Clip vor. AssemblyAIs Sync-Anforderungen akzeptieren eine Dauer von 80 Millisekunden bis 120 Sekunden bei einer maximalen Dateigrösse von 40 MB. Unterstützt werden WAV oder rohe vorzeichenbehaftete 16-Bit-PCM-Daten in Little-Endian-Reihenfolge. Audio kann mono oder stereo sein; Stereo wird intern auf mono heruntergemischt. Unterstützte Abtastraten sind 8, 16, 22.05, 24, 32, 44.1 und 48 kHz. Ein WAV-Header liefert Abtastrate und Kanalzahl; bei rohem PCM müssen diese Werte separat in der Transkriptionskonfiguration angegeben werden.

Erfassen Sie die vollständige Äusserung und lassen Sie Anfang und Ende der gesprochenen Passage unverändert. Eine hilfreiche Ausgangsaufgabe ist eine kurze Sprachnachricht an den Produktsupport mit einem Produktnamen, einer Bestellkennung und einem Anliegen. Bewahren Sie den Quellclip auf, damit das Transkript auf diese wichtigen Details geprüft werden kann. Bereiten Sie für längere Aufnahmen einen für Langform-Transkription geeigneten Ablauf vor, statt das Zeitlimit für Kurzclips als Aussage über die Audiokapazität des gesamten Modells zu behandeln.

Das Ergebnis enthält das vollständige Transkript, eine Wortliste mit Konfidenzwerten pro Wort und einen Gesamtkonfidenzwert zwischen null und eins. Es enthält ausserdem die Dauer des eingereichten Audios und eine Anfragekennung, sodass der Text seinem ursprünglichen Clip zugeordnet bleiben kann. Nutzen Sie die Wortkonfidenz, um Stellen zu finden, die durch Anhören geprüft werden sollten, insbesondere Namen, Zahlen und für die Anwendung wichtiges Fachvokabular.

Wortzeitstempel sind optional und standardmässig deaktiviert. Auf Anforderung kann jedes zeitlich zugeordnete Wort seinen Beginn und sein Ende in Millisekunden relativ zum Clipanfang enthalten. Das Herstellerprofil lässt diese Werte fehlen, wenn ein Wort nicht zeitlich zugeordnet werden kann, statt einen ungefähren Zeitpunkt zu erfinden. Die Zeitstempelgenauigkeit ist bei englischem Audio am besten. Halten Sie fehlende Zeitangaben ausdrücklich fest, wenn Sie Worthervorhebungen, eine durchsuchbare Wellenform oder Untertitelzuordnungen vorbereiten, und vergleichen Sie den Text mit der Aufnahme, bevor Sie ihn als fertige Untertitelspur verwenden.

Ein Kontextprompt beschreibt, worum es in der Aufnahme geht. Er kann ein Fachgebiet, ein Szenario oder bestimmte der Anwendung bereits bekannte Details nennen und darf höchstens 6000 Zeichen lang sein. Beginnen Sie mit einer kurzen, zum Audio passenden Beschreibung, etwa einem technischen Supportgespräch über ein bestimmtes Gerät. Der Prompt liefert Erkennungskontext; er fordert nicht dazu auf, die Nachricht der sprechenden Person in ein anderes Dokument umzuschreiben.

Eine separate Liste von Schlüsselbegriffen lenkt die Erkennung auf bestimmtes Vokabular. Das Sync-Profil akzeptiert bis zu 100 Begriffe und insgesamt 8000 Zeichen in dieser Liste. Verwenden Sie genaue Schreibweisen für ungewöhnliche Namen, Akronyme oder Produktbegriffe und lassen Sie gewöhnliche, gut erkannte Wörter weg. Umfangreiche oder unnötige Begriffslisten können zu Überkorrekturen führen; konzentrieren Sie sich daher auf Wörter, die in der Aufnahme wichtig sind. Kontextbeschreibung und Vokabularliste können gemeinsam verwendet werden.

Auch der bisherige Dialog kann bei der Interpretation einer kurzen Antwort helfen. Stellen Sie frühere Äusserungen chronologisch von der ältesten zur neuesten bereit; das aktuelle Audio bleibt der zu transkribierende Beitrag. Das dokumentierte Kontextbudget beträgt 500 Beiträge oder insgesamt 16'000 Zeichen. Überschreitet es diese Grenzen oder den verfügbaren Modellkontext, werden die ältesten Einträge zuerst entfernt. Dies ist hilfreich, wenn eine kurze Antwort eine Kennung oder einen Verweis enthält, deren Bedeutung aus der vorhergehenden Frage hervorgeht.

Die Sprachauswahl lenkt die Erkennung auf eine oder mehrere erwartete Sprachen. Die aktuelle Sync-Schnittstelle akzeptiert 32 Sprachcodes und verwendet standardmässig Englisch, wenn keine Auswahl angegeben wird. Listen Sie bei Audio mit Sprachwechseln die erwarteten Sprachen auf. Ein eigener Kontextprompt ersetzt den verwalteten Standard und übersteuert die separate Steuerung durch Sprachcodes. Nennen Sie deshalb die erwarteten Sprachen innerhalb dieses Prompts, wenn sowohl Sprach- als auch Szenariokontext benötigt werden. Bewahren Sie das Transkript in den tatsächlich gesprochenen Sprachen, statt Transkription als Übersetzungsanweisung zu behandeln.

Das Modell kommt auch in anderen Transkriptionsabläufen von AssemblyAI vor; die Anforderungen an Kurzclips und die Ergebnisfelder des Sync-Profils gehören jedoch zu dieser konkreten Schnittstelle. Der Dictation-Ablauf des Herstellers ergänzt eine separate Textbereinigungsphase; ein Transkript und eine umgeschriebene Nachricht sind unterschiedliche Ergebnisse. Bewahren Sie die erkannte Sprache auf, wenn ein späterer Bearbeitungs- oder Zusammenfassungsschritt eine bereinigte Fassung erzeugt, damit die ursprüngliche Formulierung für Vergleiche verfügbar bleibt.

Nützliche Ergebnisse sind eine transkribierte Sprachnachricht, ein vollständiger Beitrag für einen Assistenten, kurzer durchsuchbarer Audiotext oder eine zeitlich zugeordnete Wortliste für eine Prüfoberfläche. Prüfen Sie die entscheidenden Wörter anhand der Aufnahme, bewahren Sie fehlende zeitliche Zuordnungen und halten Sie die Verbindung zwischen Clip und zurückgegebenem Text aufrecht. Das Erkennungsergebnis liefert dem nächsten Anwendungsschritt eine quellenbezogene Transkription; das Beantworten des Anliegens oder Bearbeiten der Nachricht gehört zum umgebenden Ablauf.